Агенты выполняют реальные задачи — ищут в Google, читают файлы, запускают Python. Чтобы...
Агенты выполняют реальные задачи — ищут в Google, читают файлы, запускают Python. Чтобы модель вызывала инструменты правильно, нужны большие размеченные наборы цепочек вызовов, а вручную их делать дорого. Google Research описывает ToolGrad. Он идёт от обратного: сначала строит корректную цепочку вызовов из большой библиотеки инструментов, потом придумываетподходящий запрос. По заявлению авторов, это даёт более сложные данные с меньшими затратами. 💡 Практический смысл — обучать агентов станет дешевле, а качество данных выше. Авторы дообучили Gemma-3 в размерах 1B, 4B и 12B и сравнивают с базовыми моделями, Gemini, GPT, Claude и ToolACE с Hammer-2.1-7B. Результаты пока заявлены исследователями, независимой проверки нет. 🔹 Первый Нейронный
1 просмотров